具备自我更新机制和预测能力的实时动态交通诱导方法
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 课题研究内容与技术路线 | 第12-18页 |
| 1.3 论文结构安排 | 第18-19页 |
| 第二章 国内外研究综述 | 第19-27页 |
| 2.1 行程时间预测方法 | 第19-23页 |
| 2.1.1 时间序列算法 | 第19-20页 |
| 2.1.2 卡尔曼滤波算法 | 第20-21页 |
| 2.1.3 人工神经网络算法 | 第21页 |
| 2.1.4 非参数回归算法 | 第21-22页 |
| 2.1.5 组合预测模型 | 第22-23页 |
| 2.2 动态路径交通流分配 | 第23-25页 |
| 2.3 诱导信息发布及校验 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 城市道路路段行程时间预测 | 第27-41页 |
| 3.1 必要性分析 | 第27页 |
| 3.2 行程时间预测模型 | 第27-32页 |
| 3.2.1 基于改进的卡尔曼滤波预测模型 | 第28-29页 |
| 3.2.2 BP神经网络预测模型 | 第29-31页 |
| 3.2.3 组合预测模型 | 第31-32页 |
| 3.3 案例分析 | 第32-39页 |
| 3.3.1 模型预测结果 | 第32-34页 |
| 3.3.2 模型准确性分析 | 第34-37页 |
| 3.3.3 模型可靠性分析 | 第37-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 动态交通诱导模型 | 第41-55页 |
| 4.1 动态交通流分配概述 | 第41-42页 |
| 4.2 相关约束条件 | 第42-43页 |
| 4.3 动态交通流分配模型 | 第43-47页 |
| 4.3.1 动态系统最优控制模型 | 第43-44页 |
| 4.3.2 动态用户最优控制模型 | 第44-46页 |
| 4.3.3 基于博弈论的交通分配模型 | 第46-47页 |
| 4.4 遗传算法优化的博弈论交通流分配方法 | 第47-50页 |
| 4.4.1 遗传算法 | 第47-49页 |
| 4.4.2 设计思路 | 第49页 |
| 4.4.3 具体步骤 | 第49-50页 |
| 4.4.4 流程图 | 第50页 |
| 4.5 案例分析 | 第50-53页 |
| 4.5.1 路网建模 | 第50-51页 |
| 4.5.2 流量分配 | 第51-52页 |
| 4.5.3 微观仿真 | 第52-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 诱导信息发布及校验模型 | 第55-65页 |
| 5.1 驾驶员的路径选择行为分析 | 第55-58页 |
| 5.1.1 道路属性 | 第55-56页 |
| 5.1.2 驾驶员个体属性 | 第56-58页 |
| 5.2 诱导信息发布模块 | 第58-61页 |
| 5.2.1 单一影响因素 | 第58-60页 |
| 5.2.2 组合影响因素 | 第60-61页 |
| 5.3 诱导效果校验模块 | 第61-64页 |
| 5.3.1 判断机制 | 第62-63页 |
| 5.3.2 反馈优化机制 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 结论与展望 | 第65-69页 |
| 6.1 论文总结 | 第65-66页 |
| 6.2 论文展望 | 第66-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
